Beyond principal ignorability: Nonparametric sensitivity bounds for principal stratification

Sintesi Tecnica: Oltre l'Ignorabilità Principale: Limiti di Sensibilità Nonparametrici per la Stratificazione Principale

Definizione del Problema
La stratificazione principale è un quadro robusto per stimare gli effetti causali in presenza di variabili intermedie (ad esempio, non conformità, troncamento per decesso) partizionando la popolazione in strati latenti basati su esiti intermedi potenziali. Tuttavia, l'identificazione puntuale degli Effetti Causali Principali (PCE) si basa tipicamente sull'assunzione di Ignorabilità Principale (PI), la quale postula che gli esiti finali potenziali siano condizionalmente indipendenti dall'appartenenza allo strato principale dati i covariati osservati. Questa assunzione è fondamentalmente non testabile. Le strategie esistenti di analisi di sensibilità spesso si affidano a prior bayesiani, assunzioni distributive specifiche o vincoli strutturali come la monotonicità e le restrizioni di esclusione. È necessario un framework non parametrico che quantifichi le violazioni della PI senza tali assunzioni restrittive, fornendo limiti netti (sharp bounds) e soglie di falsificazione sia per i PCE standard che per estimandi più complessi.

Metodologia
Gli autori sviluppano un framework di analisi di sensibilità non parametrica che rilassa l'assunzione di PI introducendo un confonditore non misurato $U$. La metodologia si basa su tre componenti principali:

1. Parametri di Sensibilità: Il framework introduce due parametri di rischio relativo (RR) privi di margine per caratterizzare il grado di violazione della PI:

   • RR di Selezione ($RR_{SU}$): Il massimo squilibrio nell'abbondanza di $U$ tra uno strato principale target e uno strato di disturbo all'interno di uno strato di covariati.
   • RR di Esito ($RR_{UY}$): L'impatto massimo di $U$ sull'esito potenziale atteso.
     Questi parametri generalizzano i fattori di bounding basati sul confonditore di Ding e VanderWeele (2016a, 2016b) al contesto della stratificazione principale.

2. Derivazione del Fattore di Bounding: Gli autori derivano un fattore di bounding cell-specific, $BF_U$, che è una funzione deterministica di $RR_{SU}$ e $RR_{UY}$. A differenza dei contesti standard, la media dello strato target è latente e entra nella media della cella osservata come una miscela pesata con uno strato di disturbo. I pesi di miscelazione dipendono dai punteggi principali, che sono ulteriormente determinati dal parametro dell'odds ratio cross-world $\theta(x)$ (che governa la dipendenza tra $D(1)$ e $D(0)$). La derivazione tiene conto di questa struttura di miscela e della dimensione aggiuntiva di sensibilità introdotta da $\theta(x)$.

3. Limiti Non Parametrici Netti (Sharp Bounds):

   • Per i PCE: Gli autori derivano limiti netti per i PCE condizionali e marginali ($\Delta_s$) propagando il fattore di bounding attraverso la decomposizione della miscela. Si dimostra che questi limiti sono contenuti nei limiti "worst-case" non parametrici di Grilli e Mealli (2008) e Long e Hudgens (2013), convergendo a essi solo quando il fattore di bounding tende all'infinito.
   • Per i PGCE: Il framework è esteso agli Effetti Causali Generalizzati Principali (PGCE), definiti da funzioni di contrasto non lineari generali $h(\cdot)$ su uno spazio prodotto (ad esempio, indici probabilistici). A causa della non-separabilità delle funzioni non lineari, l'outcome RR deve essere definito congiuntamente su confonditori non misurati di due repliche indipendenti. Ciò risulta in tre distinti fattori di bounding ($BF_{[1]}, BF_{[2]}, BF_{[1,2]}$) che riflettono l'effetto moltiplicativo cumulativo delle penalità di selezione.

Risultati Chiave e Scoperte Teoriche

• Proprietà di Annidamento: I limiti proposti sono strettamente annidati nei limiti worst-case esistenti per qualsiasi fattore di bounding finito. Quando il fattore di bounding diverge, i limiti proposti convergono ai limiti worst-case, stabilendo un ponte algebrico continuo tra l'identificazione puntuale (sotto PI) e il massimo confondimento avversariale.
• Condizioni di Tipo Cornfield ed E-values: Il documento deriva le soglie critiche di falsificazione (condizioni di tipo Cornfield) necessarie per annullare un effetto target.
  • Per i PCE, stabilisce un "E-value Principale", definito come l'entità minima congiunta degli RR di selezione e di esito necessari per spiegare l'effetto.
  • Per i PGCE, l'analisi rivela tre soglie distinte: una soglia inferiore di bias di selezione, una soglia inferiore di bias di esito e una soglia massima globale. L'ordinamento di queste soglie ($\gamma^*_{SU} < \gamma^*_{UY} < \Gamma^*$) formalizza che gli estimandi a coppie sono strutturalmente più vulnerabili al confondimento di selezione rispetto al confondimento di esito a causa della natura moltiplicativa delle penalità di selezione indipendenti.
• Monotonicità: Sotto l'assunzione di monotonicità, i limiti si semplificano e la relazione con i limiti worst-case esistenti (Long e Hudgens, 2013) è preservata.
• Esiti Binari: Il framework fornisce limiti netti per estimandi moltiplicativi (Risk Ratios e Odds Ratios) e dimostra che le soglie di falsificazione sono invarianti rispetto alle scale di contrasto causale (additive vs. multiplicative).

Illustrazioni Empiriche
La metodologia è applicata a due dataset del mondo reale:

1. Studio WHO-LARES: Analisi dell'effetto dell'alloggio umido sulla depressione. Gli autori quantificano la robustezza del rischio relativo causale tra lo strato "danneggiato", mostrando che i covariati osservati (ad esempio, occupazione, fumo) non raggiungono l'entità necessaria per annullare l'effetto, suggerendo che il risultato è robusto a un confondimento non misurato moderato.
2. Studio U.S. Job Corps: Analisi dell'effetto della formazione sui guadagni (esito ordinale) utilizzando un PGCE (indice probabilistico). L'analisi rivela che, per il sottogruppo femminile, l'effetto stimato è altamente sensibile; i covariati noti (età, istruzione) superano l'entità del confondimento richiesta per annullare l'effetto, indicando una fragilità strutturale nell'identificazione causale per questo gruppo.

Significato e Rivendicazioni
Il documento sostiene di fornire il primo framework di analisi di sensibilità non parametrica per la stratificazione principale che:

• Opera senza assunzioni parametriche, prior bayesiani, monotonicità o restrizioni di esclusione.
• Unifica le esistenti e disparate correnti di letteratura (ad esempio, limiti worst-case vs. limiti basati su PI) attraverso un parametro di sensibilità continuo.
• Estende l'analisi di sensibilità alla classe più ampia di PGCE, affrontando la lacuna nel trattamento di esiti complessi (ordinali, categorici) e contrasti non lineari.
• Introduce nuove intuizioni teoriche riguardanti la vulnerabilità strutturale degli estimandi a coppie rispetto al confondimento di esito.
• Offre strumenti azionabili (limiti netti, E-values, contorni di falsificazione) per i ricercatori per valutare la robustezza delle affermazenze causali in presenza di confondimento non misurato tra strati latenti ed esiti.

Gli autori mantengono la modestia riguardo alle direzioni future, notando che l'estensione del framework a variabili intermedie continue e l'incorporazione di machine learning de-biased per l'aggiustamento dei covariati ad alta dimensionalità sono passi successivi necessari non ancora affrontati in questo lavoro.